抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
図構造データは現実生活に広く存在する一種のデータ形式である。巨視的なインターネット、知識マップ、社交ネットワークデータ、顕微鏡上のタンパク質、化合物分子などは図構造でモデリングと表示できる。グラフ構造データの複雑性と異質性のため,グラフ構造データの解析と処理は常に研究界の難点と重点である。図ニューラルネットワーク(GraphNeuralNetwork,GNN)は、近年出現した一種の深さ学習を用いて、直接グラフ構造データを学習する枠組みであり、その優れた性能は学者の高度の注目と深い探索を引き起こした。グラフ中のノードとエッジに一定の策略を制定することで、GNNはグラフ構造データを規範に転化し、標準の表示に転化し、様々な異なるニューラルネットワークに入力し、訓練を行い、ノード分類、エッジ情報伝播とグラフクラスタリングなどのタスクに優れた効果を得た。他のグラフ学習アルゴリズムと比較して,GNNはグラフ構造データにおけるノードとエッジの内在的規則とより深い意味的特徴を学習することができる。グラフ構造データに対して強い非線形適合能力があるため、異なる領域のグラフ相関問題において、GNNはより高い精度とより良いロバスト性を示した。本論文では、GNNの研究に基づき、まずGNNの出現過程を概説し、関連概念と定義を紹介した。その後、本文は、GNNにおける各種のアルゴリズムフレームを重点的に議論し、比較し、コア思想、タスク分割、学習方式、利点と欠点、適用範囲、実現コストなどを含めた。さらに、本論文ではGNNアルゴリズムの複数の異なる領域における応用シーンについて詳しく述べ、GNNと他のグラフ学習アルゴリズムの長所と短所を関連させ、比較した。ある問題と挑戦に対して、本文はGNNの将来方向と発展傾向を描き、最後に全文に対して全面的かつ詳しい総括を行った。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】